La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Regressione lineare Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°7.

Presentazioni simili


Presentazione sul tema: "Regressione lineare Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°7."— Transcript della presentazione:

1 Regressione lineare Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°7

2 Regressione lineare - Modello Modello di regressione lineare si vuole modellare una relazione di tipo lineare tra una variabile dipendente e un insieme di regressori che si ritiene influenzino la variabile dipendente si vuole approssimare la nuvola dei punti osservati (ogni punto rappresenta un intervistato) con una retta tra tutte le infinite rette possibili si stima la retta che fornisce l’interpolazione migliore stimando i coefficienti associati ai regressori che entrano nel modello (tutto ciò con il vincolo di minimizzare gli errori di approssimazione).

3 proc reg data=dataset; model variabile_dipendente= regressore_1... regressore_p /option(s); run; quit; Modello di regressione lineare – selezione automatica dei regressori (a partire da p regressori) PROC REG – Sintassi OPTIONS: stb calcola i coefficienti standardizzati

4 PROC REG – Esempio Variabile dipendente (soddisfazione globale) e 9 regressori Nome variabileDescrizione variabile AltriOperatori_2Livello di soddisfazione relativo ai costi verso altri operatori assistenza_2Livello di soddisfazione relativo al servizio di assistenza Autoricarica_2Livello di soddisfazione relativo alla possibilità di autoricarica CambioTariffa_2Livello di soddisfazione relativo alla facilità di cambiamento della tariffa ChiamateTuoOperatore_2 Livello di soddisfazione relativo alla possibilità di effettuare chiamate a costi inferiori verso numeri dello stesso operatore ComodatoUso_2 Livello di soddisfazione relativo alla possibilità di rivecere un cellulare in comodato d'uso CostoMMS_2Livello di soddisfazione relativo al costo degli MMS Promozioni_2 Livello di soddisfazione relativo alla possibilità di attivare promozioni sulle tariffe vsPochiNumeri_2 Livello di soddisfazione relativo alle agevolazioni verso uno o più numeri di telefono soddisfazione_globaleLivello di soddisfazione globale relativo al telefono cellulare

5 PROC REG – Esempio proc reg data= corso.telefonia ; model soddisfazione_globale = CambioTariffa_2 ComodatoUso_2 AltriOperatori_2 assistenza_2 ChiamateTuoOperatore_2 Promozioni_2 Autoricarica_2 CostoMMS_2 vsPochiNumeri_2 / stb ; run; quit; Modello di regressione lineare  variabile dipendente= SODDISFAZIONE_GLOBALE, regressori= 9 variabili di soddisfazione (livello di soddisfazione relativo a tariffe, promozioni, ecc.) REGRESSORI opzione per ottenere i coefficienti standardizzati VARIABILE DIPENDENTE

6 Regressione lineare – Valutazione modello Valutazione della bontà del modello (output della PROC REG) Test t per valutare la significatività dei singoli coefficienti (se p-value del test piccolo allora si rifiuta l’ipotesi di coefficiente nullo  il regressore corrispondente è rilevante per la spiegazione della variabile dipendente) Test F per valutare la significatività congiunta dei coefficienti (se p-value piccolo rifiuto l’ipotesi che i coefficienti siano tutti nulli  il modello ha buona capacità esplicativa) Coefficiente di determinazione R-quadro per valutare la capacità esplicativa del modello  capacità di rappresentare la relazione tra la variabile dipendente e i regressori (varia tra 0 e 1, quanto più si avvicina ad 1 tanto migliore è il modello)

7 PROC REG – Output attenzione!!  per stimare il modello SAS non utilizza i record con valori mancanti Il modello è abbastanza buono, spiega il 60% della variabilità della variabile dipendente. Quanto più R-Square si avvicina ad 1 tanto migliore è il modello! Number of Observations Read236 Number of Observations Used235 Number of Observations with Missing Values 1 Root MSE0.88676R-Square0.5949 Dependent Mean6.49362Adj R-Sq0.5787 Coeff Var13.65594

8 PROC REG – Output  il modello ha buona capacità esplicativa, il p-value associato al test F è < 0.05 (livello di significatività) Analysis of Variance SourceDFSum of Squares Mean Square F ValuePr > F Model9259.8113928.8679336.71<.0001 Error225176.929030.78635 Corrected Total 234436.74043

9 PROC REG – Output  se il p-value associato al test t è < 0.05 (livello di significatività fissato a priori) si rifiuta l’ipotesi H0 di coefficiente nullo, quindi il regressore corrispondente è rilevante per la spiegazione della variabile dipendente; Parameter Estimates VariableLabelDFParameter Estimate Standard Error t ValuePr > |t|Standardized Estimate Intercept 11.655290.299965.52<.00010 CambioTariffa_2 10.118380.031783.720.00020.19265 ComodatoUso_2 10.074900.027022.770.00600.12760 AltriOperatori_2 10.089570.032852.730.00690.13297 assistenza_2 10.104720.035072.990.00310.14126 ChiamateTuoOper atore_2 10.209690.035715.87<.00010.29775 Promozioni_2 10.174530.039624.41<.00010.25256 Autoricarica_2 1-0.001680.02660-0.060.9498-0.00300 CostoMMS_2 10.009810.027650.350.72300.01612 vsPochiNumeri_2 10.015710.030120.520.60240.02457

10 PROC REG – Output  se il p-value associato al test t è >0.05 (livello di significatività fissato a priori) si accetta l’ipotesi H0 di coefficiente nullo, quindi il regressore corrispondente NON è rilevante per la spiegazione della variabile dipendente; Parameter Estimates VariableLabelDFParameter Estimate Standard Error t ValuePr > |t|Standardized Estimate Intercept 11.655290.299965.52<.00010 CambioTariffa_2 10.118380.031783.720.00020.19265 ComodatoUso_2 10.074900.027022.770.00600.12760 AltriOperatori_2 10.089570.032852.730.00690.13297 assistenza_2 10.104720.035072.990.00310.14126 ChiamateTuoOper atore_2 10.209690.035715.87<.00010.29775 Promozioni_2 10.174530.039624.41<.00010.25256 Autoricarica_2 1-0.001680.02660-0.060.9498-0.00300 CostoMMS_2 10.009810.027650.350.72300.01612 vsPochiNumeri_2 10.015710.030120.520.60240.02457

11 Regressione lineare – Interpretazione coefficienti Il coefficiente esprime la variazione che subisce la variabile dipendente Y in seguito a una variazione unitaria della variabile esplicativa, mentre il valore delle altre variabili esplicative rimane costante: ATTENZIONE!!  i valori dei coefficienti dipendono dall’unità di misura delle variabili quindi la loro entità non fornisce informazione sull’importanza dei diversi regressori rispetto alla variabile Y. in genere si considerano i coefficienti standardizzati (opzione STB della PROC REG) che non sono influenzati dall’unità di misura delle variabili

12 PROC REG – Output se la variabile CambioTariffa_2 aumenta di una unità allora la soddisfazione globale aumenta del 19% se la variabile CambioTariffa_2 diminuisce di una unità allora la soddisfazione globale diminuisce del 19% N.B.:attenzione al segno del coefficiente!! Parameter Estimates VariableLabelDFParameter Estimate Standard Error t ValuePr > |t|Standardized Estimate Intercept 11.655290.299965.52<.00010 CambioTariffa_2 10.118380.031783.720.00020.19265 ComodatoUso_2 10.074900.027022.770.00600.12760 AltriOperatori_2 10.089570.032852.730.00690.13297 assistenza_2 10.104720.035072.990.00310.14126 ChiamateTuoOper atore_2 10.209690.035715.87<.00010.29775 Promozioni_2 10.174530.039624.41<.00010.25256 Autoricarica_2 1-0.001680.02660-0.060.9498-0.00300 CostoMMS_2 10.009810.027650.350.72300.01612 vsPochiNumeri_2 10.015710.030120.520.60240.02457

13 Regressione lineare – Variabili qualitative nominali Considerazioni da fare prima di stimare il modello Non si possono inserire variabili qualitative nominali tra i regressori Per considerare questo tipo di variabili all’interno del modello bisogna costruire delle variabili dummy (dicotomiche (0-1)) che identificano le modalità della variabile nominale originaria; Le variabili dummy saranno utilizzate come regressori.

14 Costruzione variabili dummy - esempio Es. Si vuole considerare tra i regressori la variabile qualitativa nominale “Area” che identifica l’area di residenza degli intervistati La variabile “Area” assume tre modalità (nord-centro-sud)  si costruiscono due variabili dummy

15 Costruzione variabili dummy - esempio Le variabili dummy da costruire sono due (la terza sarebbe ridondante  può essere ottenuta come combinazione delle altre due) Area_nord  vale 1 se l’intervistato è residente al nord e 0 in tutti gli altri casi Area_centro  vale 1 se l’intervistato è residente al centro e 0 in tutti gli altri casi

16 Costruzione variabili dummy - esempio VARIABILE ORIGINARIA (non entra nel modello) VARIABILI DUMMY (entrano nel modello)

17 Costruzione variabili dummy - esempio Nella PROC REG si inseriscono le due variabili dummy (ma non la variabile originaria!) nella lista dei regressori  i relativi coefficienti rappresentano l’effetto della singola modalità (nord/centro) della variabile “Area”. proc reg data= … ; model Y= X1 X2 … area_nord area_centro /stb; run; quit;

18 PROC REG – Riepilogo Per stimare un modello di regressione lineare 1.individuare la variabile dipendente (=il fenomeno da analizzare) 2.individuare l’insieme dei potenziali regressori (eventualmente tutte le variabili nel dataset) 3.se tra i regressori sono presenti variabili qualitative nominali costruire variabili dummy 4.far girare la PROC REG e verificare la bontà del modello (R-quadro, TEST F e significatività dei coefficienti (test t)) 5.Interpretare i coefficienti


Scaricare ppt "Regressione lineare Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°7."

Presentazioni simili


Annunci Google